基于 MRI 的机器学习放射组学在儿童早期杜氏和贝克肌营养不良鉴别诊断中的应用

《BMC Musculoskeletal Disorders》：Machine learning-based radiomics using MRI to differentiate early-stage Duchenne and Becker muscular dystrophy in children

研究人员利用 MRI 的放射组学特征构建模型，有效区分早期 DMD 和 BMD，为早期诊断提供新工具。

　　

一、研究背景

在医学领域，肌营养不良（Muscular Dystrophy，MD）是一类令人棘手的遗传性、进行性肌肉退行性疾病，就像身体里的 “肌肉破坏者”，主要表现为肌肉逐渐萎缩、力量下降，严重影响患者的运动功能，甚至可能引发呼吸和心脏衰竭。其中，杜氏肌营养不良（Duchenne muscular dystrophy，DMD）和贝克肌营养不良（Becker muscular dystrophy，BMD）是 MD 中最常见且严重的亚型。

DMD 通常在儿童早期就开始 “捣乱”，孩子会出现行走困难、频繁摔倒等症状。肌肉无力先从下肢近端肌肉开始，随后逐渐蔓延到上肢及其他肌肉群。随着病情发展，患者到了青春期往往需要依靠轮椅生活，二十多岁时还可能面临危及生命的呼吸衰竭或心脏并发症。相比之下，BMD 病情进展较为缓慢，症状与 DMD 相似，但严重程度要轻一些，许多患者成年后仍能保持一定的身体活动能力，寿命也相对较长。

目前，早期准确区分 DMD 和 BMD 至关重要。因为对于 DMD 患者，早期持续使用皮质类固醇可以显著延长独立行走时间，改善心肺功能，提高生活质量并延长生存期；而对于 BMD 患者，长期使用糖皮质激素的利弊还存在争议，过度治疗可能带来不必要的风险。然而，现有的诊断方法存在诸多不足。临床症状在疾病早期不够明显；肌肉活检虽然能提供诊断信息，但属于有创操作，可能对组织造成损伤；“阅读框架规则” 并非适用于所有患者；下一代测序（NGS）在区分 DMD 和 BMD 亚型方面的能力还有待提高。肌肉 MRI（Magnetic Resonance Imaging）的 Dixon 水脂分离技术虽具有一定优势，但在疾病早期，两种疾病肌肉组织的脂肪浸润模式相似，给诊断带来了很大困难。因此，寻找一种更有效的早期诊断方法迫在眉睫。

二、研究概况

为了解决这一难题，深圳儿童医院等机构的研究人员开展了一项极具意义的研究。他们的研究成果发表在《BMC Musculoskeletal Disorders》上，为早期诊断 DMD 和 BMD 带来了新的希望。

研究人员采用回顾性分析的方法，收集了 62 例年龄在 36 - 60 个月之间的肌营养不良患者的 MRI 数据，其中 41 例为 DMD 患者，21 例为 BMD 患者。他们从 MRI T2 加权 Dixon 序列的同相位、反相位、水相、脂肪相和脂肪分数图像中提取放射组学特征，并利用深度学习分割方法自动分割感兴趣区域。在特征选择过程中，运用了 Mann - Whitney U 检验、Pearson 相关分析和 LASSO 回归等方法，筛选出对分类有显著贡献的特征。最后，使用随机森林（RF）、支持向量机（SVM）、逻辑回归（LR）、多层感知器（MLP）和 K 近邻（K - NN）等机器学习算法构建分类模型，并对模型的诊断性能进行比较。

三、研究结果

1. 人口统计学特征：研究发现，DMD 和 BMD 两组患者在年龄上没有显著差异，但在 Mercuri 评分（用于评估肌肉脂肪替代程度）和水肿评分（用于量化肌肉水肿）方面存在显著差异。
2. 特征提取的可靠性：为确保研究的可靠性，研究人员不仅选取了臀大肌的主要切片，还选取了两个相邻的轴向切片，计算了组内相关系数（ICC）。结果显示，设置 ICC 大于 0.75 的阈值后，共保留了 398 个特征。
3. 特征选择结果：通过一系列的特征选择步骤，最终确定了包括同相位、反相位、水相、脂肪相和脂肪分数图像在内的多个关键特征，这些特征将用于后续的模型构建。
4. 临床和模型判断性能：研究对比了放射科医生仅依靠 MRI 图像进行诊断和机器学习模型的诊断性能。结果表明，放射科医生的敏感性较高（95.1%），但特异性很低（19.0%），这意味着很多 BMD 患者被误诊为 DMD。而机器学习模型在特异性方面表现出色，整体性能在准确性（81.2 - 90.6%）、特异性（71.0 - 86.0%）和 F1 评分（85.2 - 92.6%）上均优于放射科医生，同时保持了较高的敏感性（85.6 - 95.0%）。其中，SVM 和 K - NN 的 AUC 达到了 0.94，显示出良好的诊断性能。

四、研究结论与意义

这项研究证实，基于 Dixon 序列成像的放射组学和机器学习方法能够有效地在早期区分 DMD 和 BMD，其诊断性能优于传统的临床评估方法。这一成果为早期鉴别这两种肌肉疾病提供了高效可靠的工具，有助于制定更个性化的治疗方案，提高患者的生活质量，对推动肌营养不良疾病的早期诊断和治疗具有重要意义。

然而，研究也存在一定的局限性。例如，样本量相对较小，影响了模型的泛化能力；研究未纳入临床表现、运动功能测试和基因分析等关键因素；成像分析仅局限于臀大肌，可能忽略了其他肌肉对疾病评估的重要性。未来，研究人员计划开展多中心合作，收集更多数据，完善研究细节，进一步提高研究的广度和精度。

总体而言，该研究在 DMD 和 BMD 的早期诊断领域迈出了重要一步，为后续研究和临床实践提供了宝贵的参考，有望为更多患者带来福音。